Nous existons dans un espace à trois dimensions.
Dans cet espace, nous percevons l'espace tridimensionnel en nous basant sur des informations visuelles, qui ne sont qu'une image bidimensionnelle.
Cela signifie que notre esprit détient une image de l'espace tridimensionnel, et que nous projetons inversement les informations visuelles bidimensionnelles sur cette image tridimensionnelle.
Je prévois qu'en appliquant ce principe, les humains pourraient potentiellement percevoir un espace à quatre dimensions. Bien que nous ne puissions pas créer d'espace quadridimensionnel ou d'objets quadridimensionnels dans l'espace physique réel,
il est possible de simuler un espace et des objets à quatre dimensions à l'aide d'ordinateurs. En projetant cet espace quadridimensionnel simulé sur un plan bidimensionnel, les humains peuvent saisir visuellement l'information.
Ensuite, si les humains apprennent les comportements et les vues d'un tel espace et d'objets quadridimensionnels, ils finiront par pouvoir créer un espace quadridimensionnel dans leur esprit.
Cependant, il ne s'agit là que d'une possibilité, et un tel entraînement nécessiterait probablement un temps considérable.
De plus, même si l'on acquérait la capacité de percevoir l'espace quadridimensionnel, il n'y aurait presque aucune situation dans laquelle cette capacité pourrait être appliquée.
La perception quadridimensionnelle de l'IA
D'un autre côté, la même chose peut être réalisée avec l'IA. De plus, l'IA pourrait exploiter cette capacité de perception spatiale quadridimensionnelle.
Par exemple, avec une perception spatiale quadridimensionnelle, l'IA pourrait dessiner et comprendre des graphiques à quatre dimensions.
Les humains ne peuvent saisir d'un coup d'œil que des informations visuelles sur un plan bidimensionnel. Par conséquent, même si un graphique tridimensionnel est dessiné et reconnu via une projection inverse, il y aura toujours des parties cachées, masquées à la vue.
Alors qu'une partie significative d'un graphique tridimensionnel devient invisible, un graphique quadridimensionnel cacherait encore plus de données.
Bien que la rotation du graphique puisse révéler les parties cachées, cela s'éloigne de l'objectif de saisir intuitivement les données d'un coup d'œil.
Inversement, l'IA n'a pas besoin d'être contrainte par des informations visuelles planaires bidimensionnelles. Il est possible de doter virtuellement l'IA d'une vision spatiale tridimensionnelle ou quadridimensionnelle et de l'entraîner.
Cela permettrait à l'IA de saisir les graphiques tridimensionnels et quadridimensionnels de manière native de dimension et panoramique, sans que les données ne soient masquées ou ne nécessitent de rotation.
De plus, cela ne se limite pas à quatre dimensions ; logiquement, les dimensions peuvent être augmentées à l'infini : cinq, dix, vingt, et au-delà.
Comprendre les graphiques multidimensionnels
La capacité de saisir les graphiques de manière panoramique permet, par exemple, l'analyse des tendances à travers de multiples dimensions. Les comparaisons de tailles et la compréhension des ratios peuvent également être effectuées intuitivement.
Elle permet aussi l'analyse des schémas de données, tels que les données similaires ou analogues. De plus, elle peut aider à découvrir des régularités et des lois.
Ceci va au-delà de la simple correspondance de schémas de données multidimensionnelles, dans laquelle l'IA existante excelle, permettant une compréhension plus profonde des données.
Par exemple, même si des schémas identiques existent au sein de combinaisons de dimensions entièrement différentes, une simple correspondance de schémas multidimensionnelles aurait probablement du mal à les trouver.
Cependant, avec une vision multidimensionnelle, si les formes sont similaires, elles devraient être immédiatement reconnaissables, même à travers différentes combinaisons dimensionnelles.
De plus, au-delà de la simple utilisation des axes dimensionnels accompagnant les données d'entrée, il est également possible d'explorer des structures dimensionnelles qui facilitent la compréhension des données en dilatant ou en contractant des axes spécifiques, en les transformant logarithmiquement, ou en projetant plusieurs axes sur le même nombre d'axes différents sans réduire leur dimensionalité.
Ainsi, en entraînant la capacité de vision multidimensionnelle, il devient possible de saisir des structures de données de manière panoramique — une tâche difficile tant pour les humains que pour l'IA conventionnelle — ouvrant ainsi le potentiel de découvrir de nouvelles idées et lois à partir de celles-ci.
Accélérer l'innovation paradigmatique
La capacité de saisir des données de haute dimension de manière native de dimension sans les mapper à des dimensions inférieures suggère un potentiel significatif.
Par exemple, la théorie héliocentrique a été inventée pour faire correspondre les données d'observation astronomique à des formules mathématiques facilement compréhensibles. La compréhension géocentrique, qui postulait le soleil tournant autour de la Terre, ne pouvait pas mapper les données d'observation à des formules compréhensibles, ce qui a conduit à l'invention paradigmatique de l'héliocentrisme.
Cependant, si les données d'observation astronomique pouvaient être saisies de manière native de dimension sans réduction de dimension, des lois héliocentriques auraient pu être découvertes beaucoup plus tôt.
De même, des inventions paradigmatiques scientifiques telles que la théorie de la relativité et la mécanique quantique auraient pu être réalisées beaucoup plus tôt si les données multidimensionnelles avaient pu être saisies de manière panoramique dans leurs dimensions natives.
Cela implique que l'innovation paradigmatique, menant à la découverte de diverses théories et lois encore inconnues de l'humanité, pourrait être accélérée par une IA native de dimension.
Conclusion
L'IA entraînée à être native de dimension dans l'espace multidimensionnel, tirant parti de ses capacités cognitives spatiales multidimensionnelles — qui dépassent l'émulation humaine — pourrait rapidement élargir le champ des paradigmes en science et dans le milieu universitaire.
Les paradigmes ont tendance à se multiplier plutôt qu'à simplement changer. Même si de nouveaux paradigmes sont inventés, nous ne sommes pas nécessairement tenus de suivre leur rythme.
Bien sûr, l'IA expliquera probablement les paradigmes découverts dans des dimensions complexes en les mappant à des dimensions inférieures d'une manière facile à comprendre pour nous.
Néanmoins, les paradigmes de dimensions excessivement élevées pourraient rester au-delà de la capacité cognitive humaine. De plus, il sera probablement impossible de comprendre tous les paradigmes considérablement élargis.
Dans un tel scénario, nous pourrions nous retrouver à vivre entourés de produits et de systèmes qui fonctionnent efficacement, même si nous ne comprenons pas pleinement leurs principes sous-jacents.
En tant qu'ingénieur, je préférerais ne pas imaginer une telle situation, mais pour beaucoup de gens, cela pourrait ne pas être très différent de ce qui se passe aujourd'hui.